预警模型的构建方法、装备故障预警方法及装置

摘要

本申请涉及一种预警模型的构建方法、装备故障预警方法及装置，其中，预警模型的构建方法包括：获取装备中至少两个联动部件的监测数据样本；计算不同的联动部件对应的监测数据样本之间的相关性变化参数，相关性变化参数用于表征基于时序的故障变化趋势；根据监测数据样本和相关性变化参数构建预警模型。相关性是监测数据之间的相对变化量，与单个设备的监测数据无关，相关性变化参数可以表征基于时序的装备故障变化趋势，因此，可以将相关性变化参数作为评判装备异常和异常程度的参数，基于相关性变化参数构建故障预警模型，可以提升对故障进行预警的精度，减少了单一信号的知识不足和外界干扰对故障预警的影响。

说明书

技术领域

本申请涉及装备健康管理领域，尤其涉及一种装备故障预警模型构建方法、预警方法及装置。

背景技术

健康管理算法模型是实现复杂装备PHM(Prognostic and Health Management)故障预测与健康管理的核心技术，而故障预测是健康管理领域最为关键的技术，一方面相对于故障诊断，故障预测有比较明显的经济效益优势，它能够预先分析出装备未来发生故障的可能性，从而起到视情维修的效果，提前采取一定措施，保证装备能够规避相关故障的发生，从而保证装备能够安全稳定运行。另一方面，由于一些装备结构高度复杂，工况繁多且频繁切换，加上外界干扰，这些都导致故障预测难度很大，单一的数据分析方法在故障预测精度上很难满足实际要求，例如，航天器，不仅结构复杂、工况繁多且切换频繁，外加外太空的位置辐射，存在多种干扰信号。这两方面导致了针对复杂装备的故障预测既重要又充满挑战性，研究故障预测技术在装备健康管理领域的应用具有较高的潜力和经济效益。

因此，如何准确的预测装备故障成为亟待解决的技术问题。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种预警模型的构建方法，包括：获取装备中至少两个联动部件的监测数据样本；计算不同的联动部件对应的监测数据样本之间的相关性变化参数，相关性变化参数用于表征基于时序的故障变化趋势；根据监测数据样本和相关性变化参数构建预警模型。

可选地，计算不同的被监测部件的监测数据样本之间的相关性变化参数包括：计算多个单位时间对应的不同部件的监测数据样本之间的多个相关系数；基于多个相关系数构建预设时间段内的相关系数矩阵；利用相关系数矩阵得到相关性变化参数。

可选地，利用相关系数矩阵得到相关性变化参数包括：基于相关系数矩阵构建相关系数基于时序的相关系数变化曲线；计算相关系数变化曲线的包络谱得到相关性变化参数。

可选地，计算相关系数变化曲线的包络谱得到相关性变化参数包括：构建相关系数变化曲线的希尔伯特包络谱；基于预设的故障变化趋势对希尔伯特包络谱进行筛选，得到满足预设的故障变化趋势的包络线。

可选地，在基于预设的故障变化趋势对希尔伯特包络谱进行筛选之前或之后，预警模型的构建方法还包括：按照预设目标调整包络谱的超参数。

可选地，构建监测数据样本到相关性参数的计算映射得到预警模型包括：提取包络线特征；根据包络线特征确定故障预警模型的评价标准。

可选地，在计算不同的被监测部件对应的监测数据样本之间的相关性变化参数之后，方法还包括：利用n阶多项式对监测数据样本中每个数据邻域内的数据进行拟合，得到去噪后的监测数据样本，n阶多项式的系数是由最小二乘法准则在拟合误差最小的条件下确定，其中，n为大于或等于1的整数。

第二方面，本申请提供了一种装备故障预警方法，包括：获取装备中的至少两个联动部件的监测数据；将监测数据输入故障预警模型，得到异常监测结果，故障预警模型基于监测到不同的联动部件对应的监测数据样本之间的相关性变化参数构建得到，相关性变化参数用于表征基于时序的故障变化趋势，监测数据样本基于对装备的中至少两个联动部件进行监测得到。

可选地，在将监测数据输入故障预警模型之前，方法还包括：利用n阶多项式对监测数据中每个数据邻域内的数据进行拟合，得到去噪后的监测数据样本，n阶多项式的系数是由最小二乘法准则在拟合误差最小的条件下确定，其中，n为大于或等于1的整数。

第三方面，本申请提供了一种预警模型的构建装置，包括：第一获取模块，获取装备中至少两个联动部件的监测数据样本；计算模块，用于计算不同的联动部件对应的监测数据样本之间的相关性变化参数，相关性变化参数用于表征基于时序的故障变化趋势；模型构建模块，根据监测数据样本和相关性变化参数构建预警模型。

第四方面，本申请提供了一种装备故障预警装置，包括：第二获取模块，用于获取装备的中至少两个联动部件对应的至少两个监测数据；检测模块，用于将监测数据输入故障预警模型，得到异常监测结果，异常监测模型基于监测到不同的联动部件对应的监测数据样本之间的相关性变化参数构建得到，相关性变化参数用于表征基于时序的故障变化趋势，监测数据样本基于对装备的中至少两个联动部件进行监测得到。

第五方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行上述第一方面任意一项的预警模型构建方法和/或执行上述第二方面描述的装备故障预警方法。

第六方面，本申请提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行上述第一方面任意一项的预警模型构建方法和/或执行上述第二方面描述的装备故障预警方法。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

本申请实施例提供的预警模型构建方法，通过计算至少两个联动部件对应的监测数据样本的相关性和其相关性变化参数，由于监测数据样本的相关性与联动部件的联动状态相关，由于样本的相关性是监测数据之间的相对变化量，与单个设备的监测数据无关，联动状态越差，相关性越低，在联动状态变差甚至失效，装备的工况指令无法有效执行，装备出现故障，相关性变化参数可以表征基于时序的装备故障变化趋势，因此，可以将相关性变化参数作为评判装备异常和异常程度的参数，因此，基于不同联动部件对应的监测数据样本之间的相关性基于时序的相关性变化参数构建故障预警模型，可以提升对故障进行预警的精度，减少了单一信号的知识不足和外界干扰对故障预警的影响。

本申请实施例提供的装备故障预警方法，通过获取装备中的至少两个联动部件对应的监测数据，将监测数据输入到故障预警模型中，得到预警结果，该预警模型采用基于不同的相互联动部件对应的监测数据样本之间的相关性变化参数构建，由于监测数据的相关性与联动部件的联动状态相关，由于样本的相关性是监测数据之间的相对变化量，与单个设备的监测数据无关，联动状态越差，相关性越低，在联动状态变差甚至失效，装备的工况指令无法有效执行，装备出现故障，相关性变化参数可以表征基于时序的装备故障变化趋势，因此，可以将相关性变化参数作为评判装备异常和异常程度的参数，因此，利用该模型对新采集的监测数据进行故障预警，可以提升对故障进行预警的精度，减少了单一信号的知识不足和外界干扰对故障预警的影响。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的预警模型的构建方法的流程示意图；

图2为本申请实施例提供的装备故障预警方法的流程示意图；

图3为本申请实施例提供的计算相关性变化参数的流程示意图；

图4a-图4c为本申请实施例提供的监测数据之间的相关性变化趋势图；

图5为本申请实施例提供的相关系数变化趋势图；

图6为本申请实施例提供的相关系数包络谱计算的流程示意图；

图7为本申请实施例提供的相关系数的包络谱示意图；

图8为本申请实施例提供的调参后的包络谱示意图；

图9为本申请实施例提供的预警模型的构建装置示意图；

图10为本申请实施例提供的装备故障预警示意图；

图11为本申请实施例提供的电子设备示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

正如背景技术所述，目前对于装备故障的预警通常采用单一的数据分析方法，例如，采集大量的单一部件的监测数据，例如，单个飞轮的电流数据或者转速，或者其他能够表征该飞轮性能/故障的监测数据，并利用监测数据训练人工智能模型，以此来对故障进行预测，但是在实际应用中，发明人发现单一的数据分析方法通常难以满足预警精度的需求，尤其是针对航天器等复杂装备的故障预警采用单一的数据分析方法故障预警效果很难满足运行需求。经发明研究发现，采用单一数据分析的方法难以达到满意的故障预警效果存在多方面的原因，下面以航天器为例对原因进行说明：

1.航天器装备故障数据不足，一般来说99％的监测数据都属于正常数据，在缺乏故障数据样本的情况下进行故障预测效果较差；

2.工况切换复杂，导致航天器采集的信号(电流、振动、温度等)随着工况有相应的变化，这些变化可能无法与异常的信号进行区分，干扰故障预测算法效果。

3.外太空信号干扰多，很多噪声信号与真正的异常很难进行区分，导致无法提取有效的故障特征。

4.空地带宽资源有限，无法接收足够的监测点，导致数据维度不足，无法实现精细的故障定位。

经发明人研究发现，装备出现故障，例如，部件故障或组件故障，其能表现出来的现象并不一定是单一当前部件或组件的故障现象，有可能与其联动的其他部件在联动过程中，联动效果会出现偏差或联动失效，会导致装备表现出故障，以航天器为例，在装备在轨运行过程中，根据实际需求下达各种指令，以航天器控制系统为例，到需要转换航天器的姿态角时，会下达不同的工况代码，航天器X、Y、Z轴的飞轮通过协同才能将航天器的位置调整到满足要求的位置，这种不同部件之间的联动是航天器正常运行的重要基础。当这种联动出现偏差或者联动失效时，工况指令无法有效执行，就可以表示航天器出现了比较明显的故障。基于此，本申请从装备的联动部件的联动过程中不同部件的相关性着手，分析整个过程中对应采集特征相关性的变化，以相关性变化的异常程度作为衡量装备运行是否异常的标准。

参见图1，本申请提出了一种装备故障预警方法，具体的，可以包括如下步骤：

S11.获取装备中至少两个联动部件的监测数据。在本实施例中，所称的联动部件可以为功能上协作的部件，联动的部件，连动的部件，功能相关的部件等，在本实施例中所称的部件为装备上的用于实现某种或某些功能部件，具体的，装备故障可以分为瞬时性故障和非瞬时性故障，例如，电子元器件的失效属于瞬时性故障，而一些机械部件、机电类系统等故障可能是非瞬时性故障，由于瞬时性的故障失效几乎没有征兆，很难进行预测，在本实施例中的对于故障预测侧重于对于非瞬时性的故障的预测，当然，本领域技术人员应当明白，对于有征兆，例如在出现瞬时性故障之前，性能下降的部件的瞬时性故障的预测也属于本申请的保护范围。以航天器为例，对于联动部件的监测数据的采集可以为产生非暂时性故障部件的数据。

示例性的，对于航天器控制系统，在需要转换航天器的姿态角时，会下达不同的工况代码，航天器X、Y、Z轴的飞轮通过协同才能将航天器的位置调整到满足要求的位置，为实现这种功能，需要X、Y、Z轴的飞轮的联动，因此，可以采集X、Y、Z轴的三个飞轮的数据，例如，姿态角、角速率、温度、转速、电流等数据，在本实施例中，可以以电流数据为例进行说明，在按照预定工况指令调整姿态时，由于三个飞轮为联动状态，三个飞轮的电流数据是具有相关性的，其相关性可以用来表征飞轮联动状态，飞轮的联动状态可以表征装备运行的故障程度。因此，在本实施例中，可以采集至少两个联动部件的监测数据，以基于监测数据的相关性表征当前装备是否异常及异常程度。

S12.将监测数据输入故障预警模型，得到异常监测结果。作为示例性的实施例，故障预警模型的输入为联动部件的监测数据，其输出为装备的故障程度。示例性的，可以输入一段时间的电流监测数据，该故障预警模型可以基于输入的电流数据的相关性的变化，计算得到装备基于时序的故障变化趋势，最终输出装备的故障程度，例如，可以输出表征故障程度的分值、提示信息或者装备的退化趋势曲线或故障程度变化趋势曲线等形式作为输出结果。

作为示例性的实施例，故障预警模型基于监测到不同的联动部件对应的监测数据样本之间的相关性变化参数构建得到，相关性变化参数用于表征基于时序的故障变化趋势，监测数据样本基于对装备的中至少两个联动部件进行监测得到。示例性的，故障预警模型将监测数据的特征进行二次转化，得到监测数据的相关性，并基于相关性得到能够表征当前装备是否异常及异常程度的相关性变化参数，该相关性变化参数可以为相关性变化的曲线，也可以为相关性变化多组数值等能够体现出不同部件对应的监测数据的相关性变化的数据或者变化的结果。由于相关性变化参数与装备的故障变化趋势相关，即联动部件的联动状态越差，装备故障程度越高，对应的监测数据的相关性越低，在联动状态变差甚至失效，装备的工况指令无法有效执行，装备出现故障，此时，监测数据的相关性也随之呈下降的趋势，采用相关性变化参数来表征这一趋势，即可将装备的故障程度进行量化表达。因此，利用该模型对新采集的监测数据进行故障预警，与单一数据的采集量，空地带宽资源以及由于工况变化导致的监测数据变化无关，只需少量的数据的相对变化量(数据的相关性整体变化的趋势)，即可预测装备的故障，可以提升对故障进行预警的精度，减少了单一信号的知识不足、装备自身工况以及外界干扰对故障预警的影响。

作为示例性的实施例，由于外界存在信号干扰，例如，外太空存在较多的信号干扰，并且，干扰并不固定，因此，需要对监测数据进行去噪，以得到更为准确的预警结果，需要在将监测数据输入故障预警模型之前，对在轨运行监测数据进行异常值剔除，清除明显为噪声的电流值，提高数据质量。示例性的，可以采用s-g滤波算法对数据进行滤波，具体的，利用n阶多项式对监测数据中每个数据邻域内的数据进行拟合，得到去噪后的监测数据样本，n阶多项式的系数是由最小二乘法准则在拟合误差最小的条件下确定，其中，n为大于或等于1的整数。下面对于滤波算法进行详细介绍，设一组数据x(i)(i＝-m,...,m)，现构造n阶多项式拟合数据：

对当前时刻的前后一共2n+1个观测值进行滤波，用k-1阶多项式对其进行拟合。对于当前时刻的观测值，可以用以下公式进行拟合：

x

同样，对于前后时刻(如t-1,t+1,t-2,t+3等时刻)，同样可以用上式进行计算，这样可以得到一共2n+1个式子，构成一个矩阵：

要使得整个矩阵有解，必须满足2n+1>k，根据上述公式能够通过最小二乘法确定参数a

X

其中T表示[t-n,t+n]时刻的观测值坐标，各个参数下标表示它们各自的维度，如A

A＝(T

其中，上标trans表示转置，模型的滤波值为：

P＝T·A＝T·(T

最终可以得到滤波值与观测值之间的关系矩阵：

B＝T·(T

进而可以快速的根据观测值得到滤波值。其中，a为待求值，表示为拟合公式中各阶的系数；k表示拟合公式的阶数；t表示数据的时间点标识。

使用去噪+平滑滤波的方法，清除明显为噪声的监测数据，提高数据质量，增加模型输出结果的准确性。

本发明提供了一种预警模型的构造方法，如图2所示该方法可以包括如下步骤：

S21.获取装备中至少两个联动部件的监测数据样本。作为示例性的实施例，对于监测数据样本的采集可以参见上述实施例中步骤S11的介绍，在本实施例中，对于监测数据的样本的可以以预设的采用频率采集可以采集一段时间段内的数据，例如，可以以一天、两天或者更长或更短的为采样频率，采集一年、两年或者更长或更短时间段内的监测数据，示例性的，以A年到A+1年度某航天器控制系统飞轮故障预测为例，以某一采样频率，例如，以一天为单位进行采样，采集某航天器A年到A+1年度飞轮在轨运行监测信号数据。其中，表1给出了示例性的监测数据：

在本实施例中，可以以电流为例进行说明，当然，本领域技术人员应当明白，其他数据可以作为监测数据进行模型构建。

S22.计算不同的联动部件对应的监测数据样本之间的相关性变化参数，相关性变化参数用于表征基于时序的故障变化趋势。在本实施例中，所称相关性变化参数可以描述不同联动部件对应的监测数据样本之间的相关性变化的趋势，例如，相关性变化参数可以为描述监测数据样本相关性变化趋势的曲线、也可以为描述相关性变化多组数值等能够体现出不同部件对应的监测数据样本的相关性变化的数据或者变化的结果的参数。相关性变化参数与装备的故障变化趋势相关，即联动部件的联动状态越差，装备故障程度越高，对应的监测数据的相关性越低，在联动状态变差甚至失效，装备的工况指令无法有效执行，装备出现故障。对于监测样本之间的相关性，可以采用协方差矩阵、Pearson相关系数、Spearman相关系数等进行计算，其中，用于相关性的相关系数值介于[-1,1]之间，0表示完全不相关，1表示完全正相关，-1表示完全负相关。在得到相关性之后，可以将预设时间段所有的采样的监测数据样本的相关性进行列举，示例性的，可以以天为单位计算每天不同联动部件的监测数据样本之间的相关系数，并构建相关系数矩阵进行列举，或者以分布图的方式列举相关系数，从而得到相关性变化趋势，并以相关性变差参数进行描述，例如，可以通过相关系数矩阵计算相关性变化函数，或者在根据图表中每天的相关系数绘制相关性变化曲线，从而得到相关性变化参数。

S23.根据监测数据样本和相关性变化参数构建预警模型。作为示例性的实施例，基于相关性变化参数和已知的装备故障变化趋势构建故障评定阈值，形成异常程度判定标准，建立监测数据样本和相关性变化参数之间的计算映射，将监测数据样本作为输入，将异常程度评分结果作为输出构建故障预警模型。

通过计算至少两个联动部件对应的监测数据样本的相关性和其相关性变化参数，由于监测数据样本的相关性与联动部件的联动状态相关，由于样本的相关性是监测数据之间的相对变化量，与单个装备的监测数据无关，联动状态越差，相关性越低，在联动状态变差甚至失效，装备的工况指令无法有效执行，装备出现故障，相关性变化参数可以表征基于时序的装备故障变化趋势，因此，可以将相关性变化参数作为评判装备异常和异常程度的参数，因此，基于不同联动部件对应的监测数据样本之间的相关性基于时序的相关性变化参数构建故障预警模型，可以提升对故障进行预警的精度，减少了单一信号的知识不足和外界干扰对故障预警的影响。

作为示例性的实施例，在计算相关性变化参数时，可以通过计算监测数据样本之间的相关性，并利用多个样本相关性的基于时序的变化趋势得到相关性变化参数，示例性的，如图3所示，计算相关性变化参数可以包括如下步骤：

S221.计算多个单位时间对应的不同部件的监测数据样本之间的多个相关系数。示例性的，可以以数据采集周期作为计量单位，例如可以以天为计量单位，计算每天监测数据样本之间的pearson相关系数。具体的，相关系数的计算原理可以为：

设(X,Y)为两个监测数据样本，若X与Y的协方差cov(X,Y)存在，且方差DX、DY满足DX＞0,DY＞0，则

其中，R

作为示例性的实施例，以航天器控制系统X、Y、Z轴的三个飞轮为例，分别计算X轴飞轮、Y轴飞轮监测数据样本之间的相关系数、X轴飞轮、Z轴飞轮监测数据样本之间的相关系数，Y轴飞轮、Z轴飞轮监测数据样本之间的相关系数。

S222.基于多个相关系数构建预设时间段内的相关系数矩阵。统计整个预设时间段的全周期的每天的相关系数，并利用多个相关系数建立相关系数矩阵，以航天器控制系统X、Y、Z轴的三个飞轮为例，分别构建X轴飞轮、Y轴飞轮监测数据样本之间的相关系数矩阵、X轴飞轮、Z轴飞轮监测数据样本之间的相关系数矩阵，Y轴飞轮、Z轴飞轮监测数据样本之间的相关系数矩阵。

S223.利用相关系数矩阵得到相关性变化参数。可以基于计算得到的相关系数矩阵得到如图4a-4c所示的相关性变化趋势图，其中，横坐标是采样周期，纵坐标为相关系数。可以通过相关性变化矩阵和相关性变化趋势图可以得到相关性发生变化的区域。示例性的如图5所示，A区域的相关性整体没有显著变化，可以定义为正常区域，B区域的相关性整体趋势有所下降，可以定义为异常区域，C区域的相关性整体趋势下降严重，可以定义为故障区域。

作为示例性的实施例，对于监测数据样本在采集的过程中，可能受到装备自身工况或外界的干扰，导致某一次或几次的采样数据出现较大的波动，最终得到的变化趋势在局部时间内变化较大，例如，图4a-图4c以及图5所示的相关系数变化图，其变化趋势呈尖峰和低谷状交错分布，而从全周期的整体趋势可以确定整体趋势在B区域呈下降区域，在C区域呈严重下降趋势，在本实施例中，可以采用包络谱描述相关系数的全周期的整体变化趋势，可以描述相关系数在全周期内的整体分布状况，从全局角度来提取特征变化的上下阈值变化特征，提出剔除了局部不稳定的特征变化，实现一种比较长尺度的故障预测，具体的，如图6所示，可以包括如下步骤：

S2231.基于相关系数矩阵构建相关系数基于时序的相关系数变化曲线。如图4a-4c所示的相关系数变化曲线图，其中，图4a为一年内航天器的X轴飞轮、Y轴飞轮电流数据样本之间的相关系数变化趋势；图4b为一年内航天器的X轴飞轮、Z轴飞轮电流数据样本之间的相关系数变化趋势；图4c为一年内航天器的Y轴飞轮、Z轴飞轮电流数据样本之间的相关系数变化趋势。

S2232.计算相关系数变化曲线的包络谱得到相关性变化参数。示例性的，可以参见图4a-4c每个相关系数变化趋势曲线，进行包络谱构建，参见图7所示的包络谱图，分别构建其上包络T1和下包络T2。调整包络谱的超参数，得到能够满足装备退化趋势的曲线形式。超参数调整之后的包络谱图可以参见图8所示的调参后的包络谱图。具体的，构建希尔伯特包络谱。希尔伯特包络谱原理如下：

在信号包络的实现中，希尔伯特变换不能直接使用，而且是连续时间信号，设给定一连续的时间信号x(t)，其Hilbert变换

式中

幅值A(t)即为信号x(t)的包络，将包络信号进行傅里叶变换，即可得到包络谱。

调整包络谱的超参数，形成尽可能合适的包络线，包括上包络和下包络。作为示例性的实施例，可以按照预设目标调整包络谱的超参数，具体的，可以按照预设形式的包络线调整FIR(Finite Impulse Response)滤波器的长度，以使包络线趋于平滑。调参后的包络线可以参见图8所示。

作为示例性的实施例，相关系数变化曲线的下阈值，正常和异常情况下表现是相似的，可能会对整体的模型造成干扰，对此，可以结合希尔伯特包络谱模型，将整个相关系数曲线的上包络曲线抽取出来，舍弃下包络谱，如图8所示，能保证模型预警的干扰因素更少，以提高模型预警的准确率。

参见图8所示，x轴坐标表示的是天数，y轴坐标表示相关系数，0-350表示的是A年的数据，相关性呈现比较稳定的趋势，且包络谱上包络线大致处于1左右。在对A+1年5-6月的数据进行计算相关性发现，5月份开始出现相关性下降的趋势，可以进行预警。6月份相关性已经下降到0.3以下，飞轮已经严重故障。从先验的知识(A+1年5-6月飞轮出现故障)与实际模型曲线的对比来看，该模型利用飞轮电流的相关性来进行异常预警能够得到很好的效果。

本发明实施例提供了一种预警模型的构建装置，如图9所示，该装置可以包括：第一获取模块10，获取装备中至少两个联动部件的监测数据样本；计算模块20，用于计算不同的联动部件对应的监测数据样本之间的相关性变化参数，相关性变化参数用于表征基于时序的故障变化趋势；模型构建模块30，根据监测数据样本和相关性变化参数构建预警模型。

本发明实施例提供了一种装备故障预警装置，如图10所示，该装置可以包括：第二获取模块40，用于获取装备的中至少两个联动部件对应的至少两个监测数据；检测模块50，用于将监测数据输入故障预警模型，得到异常监测结果，异常监测模型基于监测到不同的联动部件对应的监测数据样本之间的相关性变化参数构建得到，相关性变化参数用于表征基于时序的故障变化趋势，监测数据样本基于对装备的中至少两个联动部件进行监测得到。

本发明实施例提供了一种电子设备，如图11所示，该电子设备包括一个或多个处理器101以及存储器102，图11中以一个处理器101为例。

该控制器还可以包括：输入装置103和输出装置104。

处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接，图11中以通过总线连接为例。

处理器101可以为中央处理器(CentralProcessingUnit，CPU)。处理器101还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器102作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的控制方法对应的程序指令/模块。处理器101通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的预警模型的构建方法和/或装备故障预警方法。

存储器102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器102可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器102可选包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置103可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置104可包括显示屏等显示设备。

一个或者多个模块存储在存储器102中，当被一个或者多个处理器101执行时，执行如图1、2、4、6任一所示的方法。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。